論文の概要: Movens-Zero: Scaling Humanoid Motion Foundation Models with Large-Scale Human Videos

• arxiv url: http://arxiv.org/abs/2610.41877v1
• Date: Fri, 30 Oct 2026 15:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.786846
• Title: Movens-Zero: Scaling Humanoid Motion Foundation Models with Large-Scale Human Videos
• Title（参考訳）: Movens-Zero:大規模ビデオによるヒューマノイド運動基礎モデルのスケーリング
• Abstract要約: ヒューマノイド運動基礎モデルのスケーリングは、多種多様なロボット実行可能なデータの不足によって制約される。 モーベンズゼロ(Movens-Zero)は、モダリティ間の共同学習をサポートするスケーラブルな理解世代実行アーキテクチャである。 また,テキスト,音声,音楽,ビデオの4トラックベンチマークであるMovens-Intentについても紹介した。
• 参考スコア（独自算出の注目度）: 105.85223169641576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scaling humanoid motion foundation models is constrained by the scarcity of diverse, robot-executable data and by the difficulty of jointly learning from heterogeneous multimodal inputs while supporting real-time closed-loop control. We present Movens-5M, constructed from raw Internet videos through clip generation, quality filtering, semantic annotation, motion recovery, and physical refinement with humanoid retargeting and execution verification. It contains 15 million human-motion sequences and 5 million physically executable humanoid-motion sequences spanning over 10,000 hours, aligned with text, RGB video, speech, and music. Building on this data, we introduce Movens-Zero, a scalable understanding-generation-execution architecture that supports joint learning across modalities and real-time closed-loop execution. Task-mixed flow-matching training jointly optimizes a single action expert across seven generation tasks, enabling direct motion generation from text, speech, music, and video. Multimodal Real-Time Chunking connects overlapping chunks under continuously updated instructions and robot states for continuous closed-loop execution. We further introduce Movens-Intent, a four-track benchmark with 8,192 expert-verified condition-motion pairs across text, speech, music, and video. Experiments show consistent gains across all four modalities when scaling execution-verified data from 1% to 100% and action-expert capacity from 64M to 911M parameters, while demonstrating that data quality and cross-modal supervision improve generation and execution.
• Abstract（参考訳）: ヒューマノイド運動基礎モデルのスケーリングは、多様なロボット実行可能データの不足と、リアルタイム閉ループ制御をサポートしながら異種マルチモーダル入力から共同学習することの難しさによって制約される。 ビデオクリップ生成,品質フィルタリング,セマンティックアノテーション,モーションリカバリ,ヒューマノイドリターゲティングと実行検証による物理的改善を通じて,生のインターネットビデオから構築したMovens-5Mを提案する。 そこには1500万件の人動シーケンスと500万件の物理的に実行可能なヒューマノイドモーションシーケンスが含まれており、1万時間以上にわたってテキスト、RGBビデオ、スピーチ、音楽に対応している。 このデータに基づいてMovens-Zeroを紹介した。これはスケーラブルな理解世代実行アーキテクチャで、モジュール間の共同学習とリアルタイムクローズドループ実行をサポートする。 タスクミックスフローマッチングトレーニングは、テキスト、音声、音楽、ビデオから直接のモーション生成を可能にする、単一のアクションエキスパートを7世代にわたるタスクで共同で最適化する。 マルチモーダルリアルタイムチャンキングは、連続的に更新された命令の下で重なり合うチャンクと、連続的なクローズドループ実行のためのロボット状態とを接続する。 さらに,テキスト,音声,音楽,ビデオの4トラックベンチマークであるMovens-Intentについても紹介する。 実験では、実行検証されたデータを1%から100%に、アクションエキスパート容量を64Mから911Mパラメータにスケーリングする場合、データ品質とクロスモーダル監視が生成と実行を改善することを示しながら、すべての4つのモダリティに対して一貫した利得を示している。

関連論文リスト

• Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience [53.592424079568076]
  我々は人間とロボットを対象とする最初のエゴセントリックなロコ操作世界基盤モデルであるRopedia W0を紹介する。 Xp-Dataは人間中心のデータ10k時間、マルチモーダルアノテーションと体系的な品質管理を備えたロボットデータの3k時間である。 Xp-Teleopは、高品質なヒューマノイド遠隔操作データに基づく長期ロコ操作ベンチマークである。
  論文  参考訳（メタデータ） (2026-10-19T17:59:55Z)
• Being-M0.7: A Latent World-Action Model for Humanoid Robots [52.49928557294444]
  我々は,人間のデータから学習した視覚的動きを,事前学習,ロボットのミッドトレーニング,アクションポストトレーニングを通じてヒューマノイド制御に伝達する潜在世界行動モデルであるBeing-M0.7を提案する。 我々は、1万時間以上の生の人中心データからコーパスをキュレートし、ビデオのみ、モーションのみ、およびペア化されたビデオモーションストリームを統合して、補完的な視覚力学と全身の運動構造を学習する。 Be-M0.7はSIMPLEで比較したベースラインの中で最高成功率に達し、現実世界のUnitree G1ロコ操作タスクで最強のベースラインと一致する。
  論文  参考訳（メタデータ） (2026-10-08T05:49:24Z)
• HuRo: Robotizing Human Videos for Scalable VLA Pretraining [21.648183246162237]
  異種映像をロボット対応の観察・行動軌跡に変換するロボット化パイプラインを開発した。 我々は5つのビデオソースから約630Kのロボット化されたエピソードと1億4200万のフレームからなるHuRoデータセットを構築した。
  論文  参考訳（メタデータ） (2026-09-09T18:02:05Z)
• Towards Motion Turing Test: Evaluating Human-Likeness in Humanoid Robots [54.54929302887405]
  15のアクションカテゴリにまたがる1000のモーションシーケンスからなるHuman-Humanoid Motionデータセットを提案する。 すべてのモーションシーケンスは、視覚的外観の影響を排除するためにSMPL-X表現に変換される。 収集したデータから、ヒューマノイドの動きが人間の動きと顕著なずれを示すことが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-06T11:40:56Z)
• MotionWeaver: Holistic 4D-Anchored Framework for Multi-Humanoid Image Animation [22.502601281241724]
  MotionWeaverは、マルチヒューマノイド画像アニメーションのためのエンドツーエンドフレームワークである。 我々は、同一性に依存しない動きを抽出し、対応する文字に明示的に結合する統合された動き表現を導入する。 また,ビデオラテントで映像表現を融合するために,共有4次元空間を構成する包括的4次元アンコールパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-11T03:03:44Z)
• UniAct: Unified Motion Generation and Action Streaming for Humanoid Robots [27.794309591475326]
  ヒューマノイドロボティクスにおける長年の目標は、人間レベルの柔軟性を持つ多様なマルチモーダル命令に従うことができる汎用エージェントの実現である。 ここでは、微調整MLLMと因果ストリーミングパイプラインを統合した2段階のフレームワークであるUniActを用いて、500ms以下のレイテンシで、ヒューマノイドロボットがマルチモーダル命令を実行できることを示す。 提案手法は, ゼロショット追尾における不完全な参照動作の成功率を19%向上させる。
  論文  参考訳（メタデータ） (2025-12-30T16:20:13Z)
• Being-M0.5: A Real-Time Controllable Vision-Language-Motion Model [67.8026841949812]
  being-M0.5は、複数のモーション生成タスクのパフォーマンスを実現する、初めてのリアルタイムで制御可能な視覚言語-モーションモデルである。 私たちのアプローチは、これまでで最大かつ最も包括的な人間のモーションデータセットであるHuMo100Mをベースにしています。 動作トークン化のための新しい部分認識残差量子化手法を導入し、生成中の個々の身体部分の精密かつきめ細かい制御を可能にする。
  論文  参考訳（メタデータ） (2025-08-11T11:26:10Z)
• Text-guided 3D Human Motion Generation with Keyframe-based Parallel Skip Transformer [62.29951737214263]
  既存のアルゴリズムは、コストがかかりエラーを起こしやすい全シーケンスを直接生成する。 本稿では,入力テキストに対応する人間の動作系列を生成するKeyMotionを提案する。 我々は,自動エンコーダを潜在空間に投影するために,Kullback-Leibler正規化付き変分符号器(VAE)を用いる。 逆拡散のために,デザインラテントとテキスト条件の相互参照を行う新しいパラレルスキップ変換器を提案する。
  論文  参考訳（メタデータ） (2024-05-24T11:12:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。